Utilização de Inteligência Artificial em Sistemas
de Apoio à Decisão no Diagnóstico Médico
Renato Alexandre Cintra1, Henrique Tomaz do Amaral Silva2
1. Bacharel em Ciência da Computação. Faculdades Metropolitanas Unidas, São Paulo (SP), Brasil.
2. Professor Doutor. Universidade Aberta do Brasil, Universidade Federal de São Paulo - UNIFESP, São Paulo (SP), Brasil.
Resumo
Na última década o volume de dados na área da saúde aumentou de forma exponencial, sendo a intepretação dos mesmos muitas vezes não trivial, logo, as Redes Neurais Artificiais se apresentam como uma ferramenta potencialmente vantajosa para auxiliar no diagnóstico médico. Este estudo tem como objetivo verificar como Redes Neurais Artificiais podem ser utilizadas como uma ferramenta complementar visando a melhoria no diagnóstico médico. Foi realizada uma busca sistemática por artigos publicados em bases de dados públicas e confiáveis com foco em Redes Neurais Artificias no apoio ao diagnóstico médico. Foram selecionados 6 artigos relacionados as diversas vantagens das Redes Neurais Artificiais no apoio ao diagnóstico médico para posterior análise. O uso de técnicas baseadas em Inteligência Artificial, como é o caso das Redes Neurais Artificiais, se apresenta como uma ferramenta de apoio à decisão com importantes contribuições nos campos da bioinformática, farmacologia, oncologia, patologia diagnóstica e medicina genômica.
Descritores: Artificial Neural Networks, Deep Artificial Neural Networks, Machine
Introdução
A Inteligência Artificial (IA), subcampo da Ciência da Computação, têm contribuído para o desenvolvimento de sistemas assistidos por computador para apoiar o diagnóstico clínico e terepêutico(2). A variedade de Sistemas de Informação
em todo mundo tem produzido um volume gigantesco de dados, conhecido pelo termo Big Data, onde 90% desse aumento ocorreu apenas nos últimos 2 anos(1). A
explosão de dados está transformando a maneira como a as pesquisas são conduzidas, logo, possuir habilidades no uso do Big Data tornou-se competência necessárias para resolver problemas complexos relacionados com a descoberta científica, a investigação biomédica, educação, saúde, segurança nacional, entre outros(1).
O desenvolvimento de técnica baseada em IA é um requisito importante para resolver esses problemas complexos, tal como no diagnóstico médico(4). A
experiência dos médicos no processo de diagnóstico é essencial, porém, para se evitar perder tempo no diagnóstico, reduzir custos financeiros, reduzir repetição de exames de forma desnecessária, diminuir erros no diagnóstico, assim como, as suas consequências, as técnicas baseadas em IA se apresentam de forma eficaz para resolver problemas do mundo real(4).
A Aprendizagem de Máquina (AM), também conhecido pelo termo em inglês Machine Learning (ML), é um subcampo da IA e muitas metodologias de aprendizagem de máquina, como redes neurais, análise discriminante, árvores de regressão, algoritmos genéticos, e recentemente, aprendizagem em profundidade, conhecido pelo termo em inglês Deep Learning (DL), têm sido utilizados com sucesso na medicina(1,2).
As metodologias de AM observadas neste estudo têm foco nas Redes Neurais Artificias (RNAs) no apoio ao diagnóstico médico. As RNAs são modelos de aprendizagem de máquina que simula a técnica de processamento de neurônios biológicos para executar a função de reconhecimento e aproximação de padrão a partir de um conjunto de exemplares, de uma forma que pode generalizar seu mapeamento para novos dados(5), ou seja, dotar os computadores com a
capacidade de aprender a partir dos dados obtidos, de modo que programação explícita não é necessária para a realização da tarefa(1). Permitindo que os
em seguida possam aprender a partir de exemplos anteriores e fazer boas previsões sobre os novos dados obtidos(1).
As RNAs têm sido aplicadas com sucesso para uma variedade de tarefas em muitos campos, como por exemplo, na bioinformática para prever a estrutura da proteína; na farmacologia para descobrir e priorizar compostos bioativos, que podem ser candidatos a novas drogas; na citopatologia, um ramo da patologia, para o suporte a decisão no diagnóstico citopatológico; e na medicina genômica auxiliando no mapeamento da sequência de DNA das células.
Este estudo tem como objetivo verificar como as Redes Neurais Artificiais podem ser utilizadas como uma ferramenta complementar visando a melhoria no diagnóstico médico.
Método
Por se tratar de uma pesquisa bibliográfica integrativa do tipo revisão da literatura com objetivo de responder uma determinada pergunta, a seleção dos artigos foi realizada a partir uma busca sobre o tema em materiais relevantes na BVS e Pubmed, ferramentas de busca da Biblioteca Virtual de Saúde e da Biblioteca Nacional de Medicina dos Estados Unidos, respectivamente, que contemplam as seguintes bases de dados: Scielo, Lilacs e Medline. Utilizando os seguintes descritores, e as suas combinações, como estratégia de busca: Artificial Neural Networks, Deep Artificial Neural Networks, Machine Learning, Decision Making e Diagnosis, resultando na seguinte expressão: (Artificial AND ("neural networks (computer)" OR ("neural" AND "networks" AND "(computer)" OR "neural networks (computer)" OR ("neural" AND "networks") OR "neural networks))) AND (Decision OR ("decision making")).
Os critérios de inclusão adotados foram: artigos relacionados ao tema estudado; publicados em língua portuguesa brasileira e/ou inglesa; íntegros; em bases de dados públicas e confiáveis; de acesso livre; e textos completos disponíveis online. No que se refere aos critérios adotados para exclusão foram: artigos publicados em língua estrangeira, exceto a inglesa; editoriais e resumos; publicados anteriormente a 2003; em bases de dados privados; artigos que não se referem ao tema proposto e não se refiram a humanos; e artigos duplicados.
Resultados e Discussões
A partir das estratégias de busca nas diferentes bases de dados foram encontradas 723 publicações, desse total foram excluídos 641 estudos que não possuem acesso livre os seus textos completos, restando 82 para a seleção. Após a leitura dos títulos, foram selecionados 21 estudos, procedeu-se com a leitura dos resumos, onde foram selecionados 6 textos para leitura na íntegra, conforme apresentado no Quadro 1.
Quadro 1. Artigos localizados nas bases de dados BVS e Pubmed.
Título do Artigo/Referência Objetivo Resultados
Deep Artificial Neural Networks and Neuromorphic Chips for Big Data
Analysis: Pharmaceutical and
Bioinformatics Applications(1)
Apresentar uma visão geral das principais arquiteturas das redes neurais profundas, e sua utilidade em Farmacologia e Bioinformática.
A Farmacologia e a Bioinformática são campos interessantes para
aplicação da aprendizagem
profunda, porque há um
crescimento exponencial dos
dados. Há um enorme potencial na
aplicação das redes neurais
profundas no processo de
descoberta de drogas, design e validação que poderiam melhorar o
desempenho e reduzir
significativamente os custos.
Artificial Neural Networks as
Decision Support Tools in
Cytopathology: Past, Present, and Future(2)
Analisar o papel das Redes
Neurais Artificiais (RNAs) em
citopatologia. Mais
especificamente, visa destacar a
importância da utilização de
dessas Redes em aplicações existentes e futuras e na identificação de tópicos de pesquisa inexploradas ou pouco exploradas.
A grande maioria das aplicações das Redes Neurais Artificiais estão
relacionados com citopatologia
cervical, especificamente para o sistema de diagnóstico comercial
semi-automático baseado em
RNAs. Para citopatologia cervical, existe uma infinidade de estudos relevantes para a precisão do diagnóstico.
Machine Learning in Genomic
Medicine: A Review of
Computational Problems and Data Sets(3)
Uma introdução às tarefas de aprendizagem de máquina que abordam problemas importantes na medicina genômica e como o aprendizagem de máquina pode ajudar a modelar a relação entre o DNA e as quantidades de moléculas-chave na célula, com
a premissa de que estas
quantidades, o que nos referimos como variáveis de células, pode estar associada a riscos de doenças.
O papel da aprendizagem de máquina na medicina genômica e na medicina de precisão tende a crescer rapidamente nos próximos anos. Particularmente em função da evolução enternecedora que tem sido feito na comunidade de aprendizagem profunda, com a descoberta de técnicas que podem ser mais eficazes para aprender com maiores e mais complexos conjuntos de dados do que nunca antes trabalhados.
Developing an Intelligent System for Diagnosis of Asthma Based on Artificial Neural Network(4)
A falta de diagnóstico adequado e tratamento inadequado da asma, leva a complicações físicas e financeiras. Este estudo teve como objetivo utilizar técnicas de mineração de dados e a criação de um sistema inteligente de rede neural para o diagnóstico de asma.
A rede neural foi capaz de identificar corretamente em 96,5% a 100% dos casos. Alcançar a taxa de precisão mencionada, depende de diferentes fatores, incluindo a natureza da doença, seus fatores de risco e as características clínicas, mas uma das descobertas mais importantes para alcançar a
essa taxa de precisão é medir a otimização dos efeitos encontrados nos resultados obtidos.
Biologically inspired intelligent
decision making: a commentary on the use of artificial neural networks in bioinformatics(5)
Introdução à teoria de redes neurais artificiais e rever algumas aplicações recentes interessantes
para os problemas da
bioinformática.
As redes neurais são uma
ferramenta potencialmente
poderosa para bioinformática, com aplicações de sucesso relatados em muitas áreas e níveis de
domínio. As aplicações
apresentadas mostram que as RNAs são capaz de identificar padrões complexos e gerenciar grandes conjuntos de dados.
Artificial Neural Networks for
Decision-Making in Urologic
Oncology(6)
Apresentar estudos que
demonstram que as Redes Neurais
Artificiais melhora
significativamente a capacidade de detectar câncer de próstata de forma precoce.
Estudos têm demonstrado que as RNAs melhora significativamente a capacidade de detectar câncer de próstata precoce, evitando um maior número de amostras de tecido desnecessárias. A utilização de RNAs no câncer de próstata é ideal por causa de: 1) múltiplos fatores prevendo que resultado influência; 2) o desejo de oferecer consultoria individual com base em vários testes; 3) o fato de que os resultados da análise de regressão logística anteriores tiveram sérias limitações na aplicação; e 4) a necessidade de uma ferramenta atualizada que podem ser aplicada facilmente a todos.
Observou-se que dos artigos selecionados foram publicados entre os anos de 2003 e 2016, sendo 33% (2) publicados em 2016, 33% (2) em 2015, 17% (1) em 2013 e 17% (1) em 2003. No qual as origens dos estudos foram diversificadas, ocorreram na Áustria (1), Canadá (1), Espanha (1), Grécia (1), Iran (1) e Irlanda (1). Embora a pesquisa também tenha sido feita por artigos publicados em língua portuguesa brasileira, nenhum artigo em tal idioma foi selecionado de acordo com os critérios de inclusão e exclusão estabelecidos.
Identificou-se nas publicações selecionadas contribuições importantes no uso das Redes Neurais Artificiais (RNAs) como ferramenta auxiliar no diagnóstico médico, como por exemplo: a) a Citopatologia, área da Patologia, tem explorado as RNAs para o diagnóstico, controle de qualidade e estudos de custo-efetividade, as aplicações estão relacionadas a citopatologia da mama, tiroide e trato urinário(2); b)
desenvolvimento de um sistema inteligente capaz detectar a presença de asma em pacientes com base nos achados clínico(4), ou seja, medicina baseada em evidencia
com o auxílio das RNAs; c) com crescente volume de dados e o desafio em identificar padrões nos resultados para um grupo maior de pessoas com características semelhantes a Oncologia Clínica, através de um fenômeno recém-emergente, vem aplicando as RNAs para melhorar o apoio à decisão oncológica(6);
d) na medicina genômica as técnicas baseadas em RNAs se apresenta como uma ferramenta com grande potencial de exploração para conseguir modelar os resultados dos complexos processos e interações relacionados ao genótipo e fenótipo(3); e) na farmacologia e bioinformática, também em função do crescimento
exponencial dos dados, considera-se a aplicação das RNAs com enorme potencial no processo de descoberta de fármacos e no gerenciamento de grandes volumes de dados(1,5).
Foi mostrado que as RNAs têm a capacidade de aprendizagem e podem ajudar na tomada de decisão, sendo assim, os modelos de RNAs podem ser superiores aos métodos estatísticos padrão, permitindo flexível interrogatório de dados e previsão confiável do estado da doença, tornando-se um trunfo importante para melhorar os sistemas de apoio à decisão(2).
Não se espera que os métodos computacionais sejam capazes de substituir totalmente o diagnóstico clínico, mas eles devem reduzir significativamente o tempo necessário para estes métodos de análise, reduzindo o espaço de busca de hipóteses que necessitam de ser validados(3).
Compreende-se nas publicações que o sucesso de qualquer sistema inteligente em grande parte depende do aprimoramento dos dados de entrada, sendo assim, o desenvolvimento de bases de dados de qualidade deve acompanhar a evolução dos sistemas inteligentes. Uma vez que os modelos de RNAs dependem da entrada de dados especificas para aprimorar sua aplicação e experiência na identificação de padrões de doenças(4,6). Como os estudos apontam as RNAs devem
ser consideradas como uma importante ferramenta para consulta, mas que nunca deve substituir o conhecimento pessoal e o julgamento do profissional, e por isso, só vem complementar a tomada de decisão(6).
Conclusões
As técnicas de IA, tal como as RNAs, são ferramentas importantes no apoio a decisão principalmente com o aumento exponencial no volume de dados produzidos em algumas especialidades da pesquisa/clínica médica: bioinformática, farmacologia, patologia diagnóstica e medicina genômica. Para estas e outras que envolvem problemas estatísticos/matemáticos complexos, as técnicas de RNA podem agilizar processos, diminuir erros e reduzir custo trazendo importantes contribuições no auxílio ao diagnóstico. É importante ressaltar as RNAs não têm o objetivo de substituir o profissional médico, mas sim auxiliá-lo.
Referências
1. Pastur-Romay, Lucas Antón, et al. "Deep Artificial Neural Networks and Neuromorphic Chips for Big Data Analysis: Pharmaceutical and Bioinformatics Applications." International Journal of Molecular Sciences 17.8 (2016): 1313. Int J Mol Sci. 2016 Aug 11;17(8). pii: E1313. doi: 10.3390/ijms1708131.
2. Pouliakis, Abraham, et al. "Artificial Neural Networks as Decision Support Tools in Cytopathology: Past, Present, and Future." Biomedical engineering and computational biology 7 (2016): 1. Biomed Eng Comput Biol. 2016 Feb 18;7:1-18. doi: 10.4137/BECB.S31601. eCollection.
3. Leung, Michael KK, et al. "Machine Learning in Genomic Medicine: A Review of Computational Problems and Data Sets." Proceedings of the IEEE 104.1 (2016): 176-197. Proceedings of the IEEE | Vol. 104, No. 1, January 2016.
4. Alizadeh, Behrouz, et al. "Developing an Intelligent System for Diagnosis of Asthma Based on Artificial Neural Network." Acta Informatica Medica 23.4 (2015): 220. Acta Inform Med. 2015 Aug;23(4):220-3. doi: 10.5455/aim.2015.23.220-223. Epub 2015 Jul 30.
5. Manning, Timmy, Roy D. Sleator, and Paul Walsh. "Biologically inspired intelligent decision making: a commentary on the use of artificial neural networks in bioinformatics." Bioengineered 5.2 (2014): 80-95. Bioengineered. 2014 Mar-Apr;5(2):80-95. doi: 10.4161/bioe.26997. Epub 2013 Dec 16.
6. Anagnostou, Theodore, et al. "Artificial neural networks for decision-making in urologic oncology." European urology 43.6 (2003): 596-603. Rev Urol. 2003 Winter; 5(1): 15–21.
